灰度矩阵纹理特征提取毕业论文

1.图像分块（纹理不可能存在于一个点里），用graycomatrix得到每块的共生矩阵2.用graycoprops得到该共生矩阵的相应特征，为Contrast Correlation Energy Homogeneity如：g=graycoprops(graycomatrix(C{i,j},'offset',[0 D; -D D; -D 0; -D -D]));pg=[g.Contrast g.Correlation g.Energy g.Homogeneity];

一）特点：纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质.但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的.与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算.在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局部的偏差而无法匹配成功.作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力.但是,纹理特征也有其缺点,一个很明显的缺点是当图像的分辨率变化的时候,所计算出来的纹理可能会有较大偏差.另外,由于有可能受到光照、反射情况的影响,从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理.例如,水中的倒影,光滑的金属面互相反射造成的影响等都会导致纹理的变化.由于这些不是物体本身的特性,因而将纹理信息应用于检索时,有时这些虚假的纹理会对检索造成“误导”.在检索具有粗细、疏密等方面较大差别的纹理图像时,利用纹理特征是一种有效的方法.但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候,通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别.（二）常用的特征提取与匹配方法纹理特征描述方法分类（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上,通过实验,得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性.统计方法中另一种典型方法,则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征,即通过对图像的能量谱函数的计算,提取纹理的粗细度及方向性等特征参数（2）几何法所谓几何法,是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法.纹理基元理论认为,复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成.在几何法中,比较有影响的算法有两种：Voronio 棋盘格特征法和结构法.（3）模型法模型法以图像的构造模型为基础,采用模型的参数作为纹理特征.典型的方法是随机场模型法,如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法（4）信号处理法纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等.

搬运自本人 CSDN 博客： 《纹理特征提取方法：LBP, 灰度共生矩阵》 注：本文中大量行内 Latex 公式在中不支持，如果想要仔细参阅，请移步上面的 CSDN 博客链接。

在前面的博文 《图像纹理特征总体简述》 中，笔者总结了图像纹理特征及其分类。在这里笔者对其中两种算法介绍并总结。

参考网址： 《纹理特征提取》 《【纹理特征】LBP 》 《灰度共生矩阵（GLCM）理解》 《灰度共生矩阵的理解》 《图像的纹理特征之灰度共生矩阵 》

参考论文： 《基于灰度共生矩阵提取纹理特征图像的研究》——冯建辉 《灰度共生矩阵纹理特征提取的Matlab实现》——焦蓬蓬

LBP方法（Local binary patterns, 局部二值模式）是一种用来描述图像局部纹理特征的算子；它的作用是进行特征提取，提取图像的局部纹理特征。 LBP是一个计算机视觉中用于图像特征分类的一个方法，用于纹理特征提取。后来LBP方法与HOG特征分类器与其他机器学习算法联合使用。

LBP算法的核心思想，是以某个像素点为中心，与其邻域像素点共同计算。关于邻域像素点的选择方法，其实并不唯一：

这里选择环形邻域的方法进行说明： 窗口中心的像素点作为中心，该像素点的像素值作为阈值。然后将周围8个像素点的灰度值与该阈值进行比较，若周围某像素值大于中心像素值，则该像素点位置被标记为1；反之，该像素点标记为0。 如此这样，该窗口的8个点可以产生8位的无符号数，这样就得到了该窗口的LBP值，该值反应了该窗口的纹理信息。如下图所示：

图中，中心像素点的像素值作为阈值，其值v = 3；周围邻域8个像素值中，有3个比阈值小的像素点置0，5个比阈值大的像素点置1。

LBP算法的计算公式如下：

$$ LBP_{P, R}(x_{c},y_{c}) = \sum_{p=0}^{P-1}s(g_{p} - g_{c})2^p, s(x)=\left{\begin{matrix}1 : x \geq 0 \ 0 : x \leq 0 \end{matrix}\right. $$

LBP纹理特征向量，一般以图像分块LBP直方图表示。具体步骤如下：

得到了整幅图像的LBP纹理特征后，便可以利用SVM或者其他机器学习算法进行分类了。

这两天笔者将会对源码进行测试封装，以后会上传到我的GitHub网站上。

灰度共生矩阵法(GLCM, Gray-level co-occurrence matrix)，就是通过计算灰度图像得到它的共生矩阵，然后透过计算该共生矩阵得到矩阵的部分特征值，来分别代表图像的某些纹理特征（纹理的定义仍是难点）。灰度共生矩阵能反映图像灰度关于 方向、相邻间隔、变化幅度等 综合信息，它是分析图像的局部模式和它们排列规则的基础。 对于灰度共生矩阵的理解，需要明确几个概念：方向，偏移量和灰度共生矩阵的阶数。

计算纹理特征第一步，就是将多通道的图像（一般指RGB图像）转换为灰度图像，分别提取出多个通道的灰度图像。 纹理特征是一种结构特征，使用不同通道图像得到的纹理特征都是一样的，所以可以任意选择其一。

一般在一幅图像中的灰度级有256级，从0--255。但在计算灰度共生矩阵时我们并不需要256个灰度级，且计算量实在太大，所以一般分为8个灰度级或16个灰度级。 而且当分成8个灰度级时，如果直接将像素点的灰度值除以32取整，会引起影像清晰度降低，所以进行灰度级压缩时，首先我们会将图片进行直方图均衡化处理，增加灰度值的动态范围，这样就增加了影像的整体对比效果。 注：笔者后文中的例子中，为了简要说明，所以灰度等级简单设置为4。

计算特征值前，先选择计算过程中的一些参数：

下面分部且适当的使用一些例子说明计算过程：

为了达到简单说明计算纹理特征值的目的，笔者此处做简要的假设：灰度被分为4阶，灰度阶从0--3；窗口大小为6 × 6； 窗口A的灰度矩阵A如下：

窗口B的灰度矩阵B如下：

此处以左上角元素为坐标原点，原点记为(1, 1)；以此为基础举例，第四行第二列的点记为(4, 2)；

情景1：d = 1，求0°方向矩阵A的共生矩阵： 则按照0°方向（即水平方向 从左向右，从右向左两个方向 ），统计矩阵值(1, 2)，则如下图所示：

$$ P_{A}(d=1, \theta =0^o)=\begin{vmatrix} 0 & 8 & 0 & 7 \ 8 & 0 & 8 & 0 \ 0 & 8 & 0 & 7 \ 7 & 0 & 7 & 0 \end{vmatrix} $$

情景2：d = 1，求45°方向矩阵A的共生矩阵： 按照情景1，同理可得此时的统计矩阵结果如下： $$ P_{A}(d=1, \theta =45^o)=\begin{vmatrix} 12 & 0 & 0 & 0 \ 0 & 14 & 0 & 0 \ 0 & 0 & 12 & 0 \ 0 & 0 & 0 & 12 \end{vmatrix} $$

情景3：d = 1，求0°与45°方向矩阵B的共生矩阵： 与前面同理，可以得到矩阵B的统计及矩阵结果如下： $$ P_{B}(d=1, \theta =0^o)=\begin{vmatrix} 24 & 4 & 0 & 0 \ 4 & 8 & 0 & 0 \ 0 & 0 & 12 & 2 \ 0 & 0 & 2 & 4 \end{vmatrix} $$

$$ P_{B}(d=1, \theta =45^o)=\begin{vmatrix} 18 & 3 & 3 & 0 \ 3 & 6 & 1 & 1 \ 3 & 1 & 6 & 1 \ 0 & 1 & 1 & 2 \end{vmatrix} $$

矩阵A, B的其余90°、135°矩阵与上面同理，所以笔者偷懒略去。

这样，我们就已经计算得到了单个窗口的灰度共生矩阵的各个方向的矩阵，下面就要用刚才算出的矩阵计算灰度共生矩阵特征值。 用P表示灰度共生矩阵的归一化频率矩阵，其中i, j表示按照某方向同时出现于两个像素的某两个级别的灰度值，所以P(i, j)表示满足这种情况的两个像素出现的概率。 以上述情景2中的矩阵为例： 原矩阵为： $$ P(d=1, \theta =45^o)=\begin{vmatrix} 12 & 0 & 0 & 0 \ 0 & 14 & 0 & 0 \ 0 & 0 & 12 & 0 \ 0 & 0 & 0 & 12 \end{vmatrix} $$

归一化后，矩阵形式变为： $$ P(d=1, \theta =45^o)=\begin{vmatrix} 12/50 & 0 & 0 & 0 \ 0 & 14/50 & 0 & 0 \ 0 & 0 & 12/50 & 0 \ 0 & 0 & 0 & 12/50 \end{vmatrix} $$

灰度共生矩阵理论的前辈Haralick等人用灰度共生矩阵提出了14中特征值，但由于灰度共生矩阵的计算量很大，所以为了简便，我们一般采用四个最常用的特征来提取图像的纹理特征： 能量、对比度、相关度、熵 。

$ ASM = \sum_{i} \sum_{j}P(i, j)^2 $ 能量是灰度共生矩阵各元素的平方和，又被称角二阶距。它是图像纹理灰度变化均一的度量，反映了图像灰度分布均匀程度和纹理粗细程度。

$ CON = \sum_{i} \sum_{j} (i-j)^2 P(i,j) $ 对比度是灰度共生矩阵主对角线附近的惯性矩，它体现矩阵的值如何分布，反映了图像的清晰度和纹理沟纹的深浅。

$ CORRLN = [\sum_{i} \sum_{j}((ij)P(i,j)) - \mu_{x} \mu_{y}]/ \sigma_{x} \sigma_{y} $ 相关度体现了空间灰度共生矩阵元素在行或列方向上的相似程度，反映了图像局部灰度相关性。

$ ENT = - \sum_{i} \sum_{j} P(i,j) \log P(i,j) $ 熵体现了图像纹理的随机性。若共生矩阵中所有值都相等，取得最大值；若共生矩阵中的值不均匀，则其值会变得很小。

求出该灰度共生矩阵各个方向的特征值后，再对这些特征值进行均值和方差的计算，这样处理就消除了方向分量对纹理特征的影响。

一个滑动窗口计算结束后，该窗口就可以移动一个像素点，形成另一个小窗口图像，重复进行上一步的计算，生成新窗口图像的共生矩阵和纹理特征值； 以此类推，滑动窗口遍历完所有的图像像素点后，整个图像就形成了一个由纹理特征值构成的一个纹理特征值矩阵。

之后，就可以将这个纹理特征值矩阵转换成纹理特征图像。

笔者已经对源码进行测试了封装，并上传到了笔者的GitHub网站上。 GitHub：

Correlation范围 [-1 1]Contrast范围 [0 (size(GLCM,1)-1)^2]

）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质.一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献.由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征.另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来.颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出

此外，还有大量根据原著单篇作品改编的影视作品，如《阴阳判官》、《花姑子》、《龙飞相公》、《白秋练》、《鬼妹》、《连琐》、《侠女》、《香玉》、《阿绣》、《画皮》、《聊斋狐仙》、《非狐外传》、《捉妖记》等。 [9] 作品评价编辑